来自 Hugging Face 的 AI 项目

Licon MSR for LTX-2.5

LiconStudio · 工具包

给模型最多五张参考图，让生成视频中的人物、服装、物体和背景保持一致。这是用于 ComfyUI 中 LTX-2.5 的 LoRA，还可以为两位说话者添加音频参考。

MiMo-V2.6-Pro-MOPD

XiaomiMiMo · 工具包

用 1T 参数的混合专家模型处理文本、图像、视频和音频，并经过调教，在智能体工作中更少重复调用工具。适合能托管超大模型的团队。

Wan2.2-TI2V-5B-Diffusers

Wan-AI · 工具包

根据文本提示或图像加文字生成视频片段，最高 720P、每秒 24 帧，Diffusers 格式，适合单块消费级 GPU。

Wan2.2-S2V-14B

Wan-AI · 工具包

根据音频生成电影感的角色视频，也能给现有视频做口型同步。适合有大显卡的视频创作者、动画师和研究人员。

Wan2.2-Animate-14B

Wan-AI · 工具包

通过复制表演者的动作和表情，让角色动起来，或把角色换进视频里，是 Wan2.2 视频系列中的一个模型。只能使用你有权使用的面孔和形象。

Wan2.1-T2V-1.3B-Diffusers

Wan-AI · 工具包

用小型的 1.3B Wan2.1 模型根据文字提示词生成短的 480P 视频，已打包成 diffusers 库可用的形式。在约 8.19 GB 显存的消费级显卡上就能运行。

d3-turbo

vllm-sr · 工具包

在一次调用中回答关于文字、图片或视频的选择、是非、打分、框选和跟踪类问题，并为每个答案给出概率。适合构建路由或视觉检查的人。

d3-nano

vllm-sr · 工具包

在一次调用中回答关于文字、图片或视频的选择题、是非题和打分题，并为每个答案给出概率。适合做路由和分诊的工程师使用的 2B 决策模型。

d3-edge

vllm-sr · 工具包

在一次调用中回答关于文字、图片或视频的选择题、是非题和打分题，并为每个答案返回概率。适合做路由和分诊的工程师使用的小型决策模型。

Drishya Tiny

udgamlabs · 工具包

把文字提示，或文字加首帧图片，变成 2 秒、256×256 的视频片段，使用 212M 参数的生成器。这是一个小型研究版本，最擅长海浪、火焰和下雪的天空。

MAGI-2 Preview

sand-ai · 工具包

大型音视频生成模型，可根据文字提示词，或提示词加一张静态图，生成带声音的 10 秒视频，并提升到 1080p。适合拥有八块 Hopper GPU 服务器的研究者。

Qwen3.8-27B-NVFP4

RadixArk · 工具包

Qwen3.8-27B 的预量化 NVFP4 版本，能读取文字、图片和视频并用文字回答，通过 SGLang 在 NVIDIA Blackwell 显卡上提供服务。适合在该硬件上运行智能体、聊天机器人和 RAG 的开发者。

MOSS-VL-Realtime

OpenMOSS-Team · 工具包

能边看实时视频流边回答问题，画面没有新内容时保持沉默。适合做实时视频理解的开发者和研究人员。

MOSS-Video-Preview-Real-Time-SFT

OpenMOSS-Team · 工具包

在视频播放的同时给出评论，逐帧接收画面并低延迟作答。适合用 Python 和 transformers 构建实时视频助手的开发者和研究人员。

SenseNova-6.8-Code2Video GSQ-RCO GGUF

OliviaRossi · 工具包

以混合精度 GGUF 文件运行 26.9B 参数的 SenseNova-6.8-Code2Video 模型，可在终端聊天或启动本地服务。适合想在自己硬件上使用该模型的人。

OneJev1.6-4B-GGUF

mradermacher · 工具包

OneJev1.6-4B 的量化 GGUF 副本，大小从约 2 GB 到 8.5 GB，可在你自己的电脑上运行。模型卡没有说明基础模型的用途。

LightVAE

lightx2v · 工具包

通过 ComfyUI 节点或 Python 脚本，为 Wan2.1、Wan2.2 和 MiniMax-H3 换上更轻的视频自编码器部件。适合想要紧凑 VAE 组件的视频 AI 用户。

MMAudio_safetensors

Kijai · 工具包

提供 safetensors 格式的 MMAudio 模型，配合 Kijai 的 ComfyUI-MMAudio 节点为视频生成声音。适合处理音频和视频的 ComfyUI 用户。

MiniMax-H3-TAE

Kijai · 工具包

一个训练得很快的小型解码器，在 ComfyUI 里生成 MiniMax-H3 视频时提供实时画面预览，比默认的 latent2rgb 预览更清楚。

Kandinsky S2V 1.0 Lite distilled

kandinskylab · 工具包

把一张参考图和一段语音变成头像视频，让整个人物随语音动起来。蒸馏版 Lite 只需 16 步，速度约为基础版的 5 倍。

FlashVSR

JunhaoZhuang · 工具包

一个一步扩散的视频超分辨率模型，以流式方式放大低分辨率视频，在单块 A100 GPU 上处理 768 x 1408 视频约 17 帧每秒。这是第一版，即版本 1。

Qwen3.8-27B-oQ4e-mtp

Jundot · 工具包

在 MLX 上以约 17.5 GB 运行 27B 的 Qwen3.8 视觉语言模型，能读取文字、图片和视频，上下文为 262,144 个 token。这是 Jundot 的混合精度量化版本，适合内存有限的人。

SmolVLM2-2.2B-Instruct

HuggingFaceTB · 工具包

同时回答关于视频、图像和文字的问题，用一个 2.2B 模型，视频推理约需 5.2 GB GPU 显存。适合构建设备端视觉助手的开发者。

TRIBE v2

facebook · 工具包

用一个映射到大脑皮层表面的多模态 Transformer，估计大脑对视频、音频和文本的 fMRI 反应。适合神经科学和 AI 研究者。

Wan 2.1 for ComfyUI

Comfy-Org · 工具包

为 ComfyUI 重新打包的 Wan 2.1 视频模型文件，涵盖文生视频、图生视频、VACE 编辑、镜头控制、透明通道视频和音频驱动配音，并附带现成的工作流。

wan-gguf

calcuis · 工具包

Wan 视频模型的 GGUF 量化版本，可在 ComfyUI 或 diffusers 中做文生视频，包括适合旧机器的 1.3b 小文件。适合在本地制作 AI 短视频的人。

pig-vae

calcuis · 工具包

pig 架构的小型 GGUF VAE，用于图像和视频工作流，加载器在 gguf-node 包里。目标是在较旧的机器上运行更快、占用内存更少。

Qwen-Video-Edit

yunpeng1998 · 工具包

通过在视频潜变量上复用图像编辑模型，根据文字指令编辑视频，只加了轻量的可训练投影。适合想做指令式编辑的视频创作者和研究人员。

VQGAN + CLIP

multimodalart · 工具包

把一句文字变成图像，你能看着图像从噪点里逐步成形，并把整个过程存成视频。适合艺术家、学生，以及对经典文生图方法好奇的开发者。

Molmo2-8B

allenai · 工具包

回答关于图片、视频以及多张图片的问题，还能指出它找到的东西。适合想要开源 8B 视觉语言模型来做视频问答、计数和描述的开发者。

LTX-LoRAs

Alissonerdx · 工具包

为 LTX 2.3 视频模型提供 LoRA 文件，可填补视频中被遮罩的区域，带或不带视觉参考都行，另有一个实验性的视频编辑 LoRA。适合使用 LTX 2.3 的视频创作者。

Wan2.2-Fun-5B-Control

alibaba-pai · 工具包

用 Canny、Depth、Pose 或 MLSD 等控制条件，或用轨迹，来引导生成的视频。适合在 videox_fun 库里使用 5B Wan2.2 基础模型的视频创作者和研究者。

VideoJev-4B

ZhuYuhan · 工具包

找出视频里某件事发生的时间，并回答关于视频的选择题，方式是直接给候选项打分。基于 Qwen3.5-4B，适合视频研究者和开发者。

Wan2.1-T2V-14B

Wan-AI · 工具包

用 14B 的 Wan2.1 模型根据文字提示词生成 480P 或 720P 视频，还能把中文和英文文字放进画面。适合有强力 GPU 硬件的创作者和研究人员。

natural-face-speech-h3-lora

vpakarinen · 工具包

MiniMax H3 视频模型的 LoRA 附加件，目标是在文生视频和图生视频里得到自然的面部动作和清晰的英语语音。适合制作人物说话短视频的人。

Matrix-Game 4.0

Skywork · 工具包

把正在运行的游戏的画面重绘成干净的低多边形视频，每个场景一个渲染器：古埃及、城市赛车和中世纪城堡。适合游戏开发者和视频模型研究人员。

Qwen2.5-VL-7B-Instruct

Qwen · 工具包

一个视觉语言模型，能把图片、文档和视频与文字问题一起理解并用文字回答。适合围绕图表、扫描件、屏幕和视频片段开发应用的开发者。

OneJev1.6-4B

OmniJev · 工具包

读取截图、照片、视频或文字和几个带类型的问题，一次运行就给每个答案选项打出概率。适合开发会看屏幕的智能体的人。

OneJev1.6-27B

OmniJev · 工具包

读取截图、照片、视频或文字，再结合你输入的问题，为每个答案选项给出概率，比如智能体下一步该做什么、任务是否完成。

OneJev1.6-0.8B

OmniJev · 工具包

针对截图、照片、视频或文字，回答你提的问题，并给出每个选项的概率。适合需要在智能体循环里快速做决定的开发者。

Comet 60B

MultiverseComputingCAI · 工具包

Multiverse Computing 的 61.1B 多模态模型，是 NVIDIA Nemotron 3.5 Super 的压缩版本，接收文本、图像和视频，并保持约 12B 参数被激活。适合想用更少 GPU 通过 vLLM 部署大型开放模型的团队。

LeVJEPA 1.5 Large

galilai-group · 工具包

把视频片段和单张图片编码成特征向量，用约 5,300 小时视频做自监督训练。这是面向研究者的视频编码器，采用非商业许可。

V-JEPA 2

facebook · 工具包

把视频和图片转成嵌入向量，用于视频分类、检索，或作为视觉语言模型的视频编码器。由 Meta 的 FAIR 打造，适合处理视频的开发者和研究人员。

Hy-Nomas x LTX-2.5 Audio Workflows

BennyDaBall · 工具包

两个 ComfyUI 工作流，用标准的 LTX-2.5 蒸馏模型为无声的 Hy-Nomas 视频世界或任意视频片段配上音轨，画面保持不变。

Molmo2-4B

allenai · 工具包

回答关于图片、视频和多张图片的问题，还能指出它找到的内容。这是 Ai2 的开源视觉语言模型，适合自己运行模型的开发者和研究者。

Wan2.1-VACE-1.3B

Wan-AI · 工具包

用 Wan2.1 的 VACE 模型根据提示词、静态图片或已有片段制作和编辑视频，视频里还能出现中英文文字。适合有消费级 GPU 的视频创作者和开发者。

FlashVSR+

ruchangyao · 工具包

一步扩散模型，把低质量视频变成更高分辨率的清晰视频，有速度更快的 Turbo 版和画质更好的 Base 版。适合有高性能 GPU 的视频剪辑者和视觉研究者。

MiniCPM-V 4.6

openbmb · 工具包

能读懂单张图片、多张图片和视频并用文字回答，参数量 1.3B，适合在手机和其他边缘设备上运行。适合想要小型视觉语言模型的开发者。

LongCat-Video

meituan-longcat · 工具包

用一个 13.6B 的模型，根据文字提示、一张静态图片，或接着已有片段往下写来生成视频。目标是 720p、每秒 30 帧的长片段，适合有 GPU 的开发者和研究人员。

RelayVSR X4 Quants

MATLOWAI · 工具包

RelayVSR 4 倍视频放大器的预量化 Wan 检查点，让它能在 ComfyUI 里用 16 GB 和 24 GB 显卡输出 2560x1408，适合视频剪辑和修复的人。

SCAIL-2

Comfy-Org · 工具包

为 ComfyUI 重新打包的 SCAIL-2 视频模型文件，基于 Wan 2.1 14B，附带角色替换工作流。适合在视频里替换角色的 ComfyUI 用户。

Depth Anything 3

Comfy-Org · 工具包

Comfy-Org 为 ComfyUI 重新打包的深度估计模型文件，共四种大小。它们把图片或视频变成深度图。适合在图像和视频工作流里需要深度信息的 ComfyUI 用户。

Wan2.2-I2V-A14B

Wan-AI · 工具包

把一张静态图像变成 480P 或 720P 的视频，采用 Wan-AI 的专家混合设计。适合用图片生成视频的创作者和研究人员。

Wan2.2 TI2V 5B GGUF

QuantStack · 工具包

一个 5B 参数的文字生成视频模型，转换成 GGUF 供 ComfyUI 使用，4 比特下估计约 2.5 GB，支持英文和中文提示词。适合想在自己电脑上生成视频的 ComfyUI 用户。

Jev-Omni

akhilaaa3 · 工具包

针对文字、图像、音频或视频提出的问题，对你列出的每个选项给出概率，而不是写一段解释。这是基于 Gemma 4 的 12B 分类器，适合需要带分数决策的开发者。

MiMo-V2.6-Flash-RL

XiaomiMiMo · 工具包

在同一个模型里处理文本、图像、视频和音频输入，上下文长达 1M token，适合长代码库和智能体运行。这是 XiaomiMiMo 推出的 311B 开放混合专家模型。

Uniformer_video_demo

Sense-X · 工具包

一个 Gradio 演示，用 Sense-X 的 UniFormer 视频模型处理视频片段并给出类别，附带三个示例视频。适合想在浏览器里体验视频分类的学生和开发者。

Video Vision Transformer for CT

keras-io · 工具包

你可以在 Gradio 页面里试用一个处理 CT 类数据的视频视觉 Transformer，里面带有两个示例视频。适合对视频模型好奇的学生和开发者。

embeddinggemma-2-740m-litert-lm

litert-community · 工具包

为 LiteRT-LM 设备端运行打包的 740M 多模态 EmbeddingGemma 2。它把文字、代码、图片、视频和音频映射到同一个 768 维向量空间。

Licon VBVR for MiniMax-H3

LiconStudio · 工具包

一个用于 MiniMax-H3 的图生视频 LoRA，减少生成视频里物体重复、穿模和动作怪异的情况。适合用静态图做动画的 ComfyUI 用户。

Kandinsky S2V 1.0 Lite

kandinskylab · 工具包

把一张参考图和一段语音录音变成会说话的头像视频，整个人物都会跟着音频动起来。适合有高性能 GPU 的研究者和开发者。只能使用你有权使用的人脸和声音。

Realtime-Venus

inclusionAI · 工具包

包含两个 9B 模型，用于实时对话，能边听边说，处理打断，并把任务交给外部工具。一个能看视频和听音频，另一个只处理音频。

SeedVR2

Comfy-Org · 工具包

借助 ByteDance Seed 的 SeedVR2 3B 和 7B 重新打包的文件，在 ComfyUI 里放大图片和视频，提供多种精度格式。适合在自己电脑上用 ComfyUI 做放大的用户。

Wan-Animate-2

Wan-AI · 工具包

照着驱动视频里的动作，让一张角色图片动起来，还能用文字控制镜头视角。适合有高性能 GPU、要制作角色视频的人。

Wan2.1-T2V-1.3B

Wan-AI · 工具包

根据文字提示生成 480P 短视频，小到大多数约 8 GB 显存的消费级 GPU 都能运行。适合想在本地做文字转视频的创作者和研究者。

d3-flash

vllm-sr · 工具包

一个 9B 模型，一次调用就能回答关于文字、图像或视频的多个选择、是非和打分问题，并为每个答案返回概率而不是生成文字。适合路由和决策任务。

d3

vllm-sr · 工具包

用一次调用回答关于文字、图像或视频的选择、是非和打分问题，为每个答案返回概率而不是文字。这是 27B 的决策模型，适合做路由和分流的开发者。

Wan2.2-I2V-A14B-GGUF

QuantStack · 工具包

提供 Wan2.2-I2V-A14B 的 GGUF 文件，这是一个把静态图片变成视频的 14B 模型，可在 ComfyUI 里配合 ComfyUI-GGUF 节点使用。适合在家用 GPU 上做短视频的人。

Mage-VL

microsoft · 工具包

Microsoft 推出的图像和视频多模态模型，像视频编码器存储视频那样读取视频，只保留变化的图块。适合做视频理解和流式处理的开发者和研究者。

d3-ultra

vllm-sr · 工具包

对同一份文本、图片或视频输入一次回答多个问题，为每个答案给出概率，不生成文字。这是 vLLM Semantic Router 推出的 27B 多模态决策模型。

d3-mini

vllm-sr · 工具包

一次调用就能回答关于文本、图片和视频的选择题、是非题和打分题，并为每个答案返回概率，而不是生成文字。适合需要给请求分流或分类的开发者。

Qwen2.5-VL-7B-Instruct-GGUF

unsloth · 工具包

Unsloth 制作的 Qwen2.5-VL-7B-Instruct 的 GGUF 文件，这个视觉语言模型能读图像、图表、文档和长视频，还能输出坐标和结构化数据。适合在本地运行它的人。

gemma-4-12b-it-GGUF

unsloth · 工具包

Unsloth 制作的 Google 指令微调 Gemma 4 12B 的 GGUF 量化版本，一个能读文字、图片、音频和视频并输出文字的模型，适合本地运行。

embeddinggemma-2-GGUF

unsloth · 工具包

把文字变成 768 维向量，用于设备端的搜索、检索和聚类。基础模型还支持图像、视频和音频。由 Unsloth 打包成 GGUF。

SenseNova 6.8 Code2Video

sensenova · 工具包

用 27B 模型生成并渲染可执行代码来制作短视频，该模型由 Qwen3.8-27B 微调而来。适合想根据提示词出视频草稿的动效设计师、教师和营销人员。

Juggernaut-XL-v9

RunDiffusion · 工具包

根据文字提示生成写实风格的图片，是 Stable Diffusion XL 的微调版本，模型卡说它能在 8 GB 显存上运行。适合想用现有 SDXL 工具得到照片风格效果的创作者。

Qwen3.6-35B-A3B-NVFP4

nvidia · 工具包

NVIDIA 用 Model Optimizer 制作的、预先量化好的 Alibaba Qwen3.6-35B-A3B 的 NVFP4 版本。它能处理文本、图片和视频，可在 Hopper 或 Blackwell GPU 上用 vLLM 运行。

Llama-V-JEPA-LM-Qwen3-4B

kkt94 · 工具包

用一个 5.1B 的模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Qwen3-4B-Instruct-2507 上，适合有 16 GB 以上 GPU 的人。

Llama-V-JEPA-LM-Qwen3-1.7B

kkt94 · 工具包

用一个 2B 的模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Qwen3-1.7B 上，适合只有一块普通 GPU 的人。

Llama-V-JEPA-LM-Llama3.2-3B

kkt94 · 工具包

用一个 4.2B 的模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Llama-3.2-3B-Instruct 上，适合只有一块 12 GB 以上 GPU 的人。

Llama-V-JEPA-LM-Llama3.2-1B

kkt94 · 工具包

用一个 1.5B 的小模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Llama-3.2-1B-Instruct 上，适合只有一块普通 GPU 的人。

Hy-Nomas

tencent · 工具包

根据文字指令和镜头运动，一段一段地生成视频世界，你可以边生成边改变物体、风格和视角。适合创作者和研究者。

MiniCPM-o 4.5

openbmb · 工具包

一个 9B 模型就能处理图片、视频、语音和实时音视频流，并用英文和中文以文字和语音回答。适合构建语音和视觉助手的开发者。

Llama-V-JEPA-LM-Llama3.1-8B

kkt94 · 工具包

把冻结的 V-JEPA 2.1 视频编码器接到 Llama-3.1-8B-Instruct 上，用来回答关于视频片段的问题，适合做视频理解的人。

Wan2.2-T2V-A14B

Wan-AI · 工具包

用混合专家视频模型，根据文字提示词生成 5 秒、480P 或 720P 的视频。适合想用开源文生视频模型的创作者和开发者。

Qwen3.8-27B-NVFP4

unsloth · 工具包

Unsloth 制作的 Qwen3.8 27B 视觉语言模型的 4-bit NVFP4 副本，用 vLLM 提供服务。适合想要能读图像和视频、能在智能体工具里工作的稠密模型的开发者。

YOLO26

Ultralytics · 工具包

用 Ultralytics 的 YOLO 模型系列在图片和视频中找出物体，同系列还覆盖分割、分类、深度、姿态和跟踪。适合开发计算机视觉应用的开发者。

Llama-V-JEPA-LM-Qwen3-8B

kkt94 · 工具包

用一个 9.2B 的模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Qwen3-8B 上，适合有 24 GB 以上 GPU 的人。

Qwen3.8-27B NVFP4

nvidia · 工具包

NVIDIA 把阿里巴巴 Qwen3.8-27B 压缩成 4 位 NVFP4 的版本，用 Model Optimizer 制作，面向 Blackwell GPU，输入文字、图片和视频，输出文字。

Vimoo-1.0

Vimoo-AI · 工具包

根据文字提示词，或参考图加文字生成视频，每项任务用一个单独的 11.7B 模型。适合想做短视频的创作者和营销团队。

GTA world model

lucidml · 工具包

你按住按键时，从一张起始图像逐帧生成视频，并推流到浏览器。这是一个用 GTA5 素材训练的世界模型的权重和推理代码，适合研究者和机器学习工程师。

Minimax H3 Latent Upscaler

LBH-123-AI · 工具包

直接放大 Minimax H3 的视频潜变量，让你先低分辨率生成，再在目标尺寸上细化，不必解码再重新编码。适合运行 Minimax H3 视频生成的人。

Wan 2.2

Comfy-Org · 工具包

把 Wan 2.2 视频模型和相关文件打包成 ComfyUI 能加载的形式，涵盖图生视频、文生视频、相机控制等。适合在 ComfyUI 里生成视频的人。

MiMo-V2.6-Pro-RL

XiaomiMiMo · 工具包

在一个 1.02T 参数、1M 词元上下文的模型里同时处理文字、图像、视频和音频。它是小米 MiMo-V2.6 系列的旗舰，用大规模强化学习训练，面向编程和智能体工作。

Qwen3.8-27B-QSA-GGUF

higa2515 · 工具包

用 GGUF 文件运行带稀疏注意力的 Qwen3.8-27B，提供 Q8_0 和 Unsloth 的 Q4、Q5、Q6 混合版本，支持文字、图片和视频输入。适合使用 NVIDIA 显卡的 Linux 用户。

Clef

Cloudflare · 工具包

Cloudflare 的 27B 多模态模型，针对文本、JSON、图片或视频输入，为带类型的问题给出每个允许答案的分数，而不是写出自由文本。

gemma-4-12B

google · 工具包

Google 的 Gemma 4 12B Unified 模型，是能读文字、图片、音频和视频并输出文字的开放模型，上下文 256K，不需要单独的编码器。适合运行本地 AI 的开发者。

Qwen3.8-27B-FP8

Qwen · 工具包

用 Qwen3.8-27B 的 FP8 量化权重处理文字、图片和视频，它是带可调思考模式的 27B 稠密模型。适合用 transformers、vLLM 或 SGLang 部署它的开发者。

Alpie Seed 9B

169Pi · 工具包

用一个基于 Qwen3.5-9B 的 9B 开放权重模型处理文字、图片和视频，做推理和编程，并提供适合轻量硬件的 GGUF 版本。适合想要能离线运行的模型的开发者。

Minimax-h3_Singularity

WarmBloodAban · 工具包

在 ComfyUI 里用 MiniMax-H3 的微调融合模型，根据文字、图片、参考或其他视频生成视频，现为 V2 INT8 版本。适合想要更强动作场景和风格控制的视频创作者。